Archivos de datos

Formatos de archivos

• Existen variados formatos de archivos de datos

• Pueden ser estructuras de licencia abierta (texto plano) o privada.

• Las extensiones .csv y .txt son las más comúnes en versiones texto plano.

• Otras extensiones pertenecen a sofwares específicos: xlsx a Excel, .sav a SPSS, .sas7bcat a SAS o .dta a Stata, por ejemplo.

• Hay tantas funciones y paquetes en el lenguaje R como extensiones de archivos de datos.

Almacenamiento y seguridad

Características a considerar respecto al almacenamiento:

Colaboración

Existen numerosos recursos en línea para el trabajo colaborativo que el equipo de trabajo puede considerar. Mencionamos dos grandes grupos:

Control de versiones

• El control de versiones en un paso más que integra el paradigma de la investigación reproducible dentro de la ciencia abierta.

• Almacena ordenadamente un historial de cambios y quién los realizó.Es como un ‘deshacer’ sin límites.

• Se pueden guardar metadatos del código escrito.

• Invaluable para proyectos colaborativos donde diferentes personas trabajan paralelamente en el mismo código.

• Permite realizar un seguimiento de los cambios realizados y puede combinar automáticamente el trabajo de las personas

git

• git es un software de código abierto desarrollado originalmente por Linus Torvalds en 2005

• Se puede instalar en Windows, Linux y Mac.

• Se integra en la web con sitios como GitHub, GitLab, BitBucket, etc.

• Se integra con IDE’s y editores como RStudio.

Repositorios: GitHub

• Es un sitio web que ofrece un servicio para almacenar repositorios en base a control de versiones que se integra con Git.

• Se utiliza principalmente para alojar código y fuente de productos digitales (material educativo, libros, etc)

• Fue desarrollado en 2008 y actualmente pertenece a Microsoft

• Es de acceso gratuito y tiene también planes de pago con servicios especiales (mayor cantidad de colaboradores en repositorios privados, por ejemplo)

Depuración

• Datos brutos: archivo sin procesar que proviene directamente de su fuente de recopilación o captura de datos. Si es de fuente secundaria, este es el archivo que descarga o recibe del proveedor externo. No se comparten fuera del equipo de investigación, ya que suelen contener información identificable.

• Datos depurados del estudio: conjunto de datos que se puede compartir públicamente. Sin eliminación de observaciones ni variables, salvo la anonimización.

• Datos analíticos: conjunto de datos que se crea a partir del conjunto depurado de datos pero se modifica aún más para un análisis específico. Aquí aparecen las variables creadas en el análisis, posibles eliminaciones de observaciones y/o variables e imputaciones de valores perdidos.